selection)是一个很有实用价值的技术本質上是一种为数据挖掘消除噪声的数据)。而我们对某件事物进行判断时我们会根据以往的经验根据某些信息而不是全部的信息进行判断。特别的计算机在面对类似的问题却无法根据已有的经验去选择最有效的信息而大量无效的信息对于计算机来说就是噪声。反而会影响計算机的判断结果如果按照前面的例子我们可以根据人工特征选择，可是对于计算机就需要专业的技术进行分析

    1. 特征选择的作用：降低计算开销和提升分类性能。既可以减少数据量节省处理事件，减轻数据处理中的噪声影响又可以提升信息处理系统的性能。

     4. 特征子集生成的方法有：穷举法、启发法、随机法其中穷举搜索方法有：BFS，DFS分支限界、定向搜索、最优优先搜索。启发式搜索：序列前向搜索、序列后向搜索、双向搜索、增L去R、序列浮动选择、决策树随机选择算法：模拟退火、随即序列选择、遗传算法。

     5. 常见的特征提取方法有：主成分分析、LDA（线性奇异分析）、独立分量分析（ICA）、神经网络、粗糙集约束等而比较新的方法有：非线性降维、流行学习等。

     7. 評价函数有：(1) 相关性 (2)距离 (3)信息增益 (4) 一致性 (5) 分类错误率 其中筛选器由于与分类算法无关，因此其在不同的分类算法之间的推广能力很强計算量也较小。

      注：使用决策树在根节点之前选择的分类特征值和过程也可以选择作为特征值选择的过程的